El 10 de enero de 2026, un pánico silencioso comenzó a extenderse por los canales secundarios de Silicon Valley. No fue provocado por una caída del mercado o una nueva regulación, sino por un gráfico.
Durante una sesión informativa sobre el estado de la investigación en IA, Kaoutar El Maghraoui de IBM Research, junto con analistas de Adaline Labs, expusieron una realidad que la industria ha estado tratando desesperadamente de ignorar: Las leyes de escala están muertas.
Durante los últimos cinco años, toda la economía de IA generativa de un billón de dólares se ha construido sobre una ecuación única y clara: si se multiplica el cálculo por 10, se reduce la tasa de error a la mitad. Era la “Ley de Moore” de la inteligencia, y justificaba cada centro de datos masivo, cada gigavatio de potencia y cada pedido de Nvidia H100.
Pero a partir del primer trimestre de 2026, las matemáticas se han roto. La industria se ha topado con el “muro de escalamiento”.
La física del fracaso
La trampa de la “ley del poder”
Para entender por qué esto es una catástrofe para el ciclo de capital actual, hay que observar la curva de “Compute-to-Performance”, legalmente conocida como Leyes de Escalamiento de Kaplan (2020) y posteriormente refinada por los artículos de Chinchilla (2022).
Durante cinco años, estas leyes fueron el evangelio de Silicon Valley. Afirmaron que el rendimiento del modelo mejora como una función de ley potencial de tres variables: tamaño del modelo (parámetros), tamaño del conjunto de datos (tokens) y cálculo (FLOP).
De 2020 a 2024, esta curva se comportó linealmente en el espacio logarítmico. Alimentar a la bestia con más GPU la hizo más inteligente. GPT-4 era más inteligente que GPT-3 porque era más grande. Claude 3.5 era más inteligente que Claude 3 porque era más denso. La correlación era tan estrecha () que los ingenieros podían predecir la puntuación de referencia exacta de un modelo en el conjunto de datos matemáticos GSM8K antes de finalizar el entrenamiento.
Pero a finales de 2025, la curva empezó a aplanarse. Los modelos emblemáticos más nuevos lanzados este mes (a pesar de estar entrenados en grupos 5 veces más grandes que sus predecesores) están mostrando ganancias marginales en las capacidades de razonamiento.
Los inversores están viendo un retorno de la inversión brutalmente decreciente.
Donde es la pérdida (tasa de error), se calcula y es el exponente de escala. El problema es que es pequeño (normalmente entre 0,05 y 0,1 para razonamientos complejos). Esto marca un cambio de un régimen lineal a uno logarítmico. Para obtener una mejora del 10% en el razonamiento ahora se requiere un aumento de 100 veces en la potencia de cálculo.
Este no es sólo un problema de ingeniería; es una sentencia de muerte financiera. Si los costos de los insumos (energía + silicio) aumentan exponencialmente ($ 10 ^ 2 ) pero el valor de producción (inteligencia) aumenta linealmente (\ 10 ^ 1 $), los márgenes se acercan a cero.
El problema del agotamiento de los datos
El principal culpable es el “agotamiento de datos”. Los laboratorios literalmente se han quedado sin texto humano de alta calidad. Para 2024, todos los laboratorios importantes habían eliminado Common Crawl, GitHub y LibGen. Habían ingerido la suma total de la Internet pública.
La industria intentó resolver esto con “datos sintéticos”: hacer que la IA escriba libros de texto para que otras IA los lean. Pero los informes de enero de 2026, específicamente la devastadora investigación sobre el “Colapso del modelo” de Oxford y la Universidad Rice, confirman lo que temían los escépticos.
Cuando una IA se entrena con su propia producción, los errores sutiles se agravan y las variaciones se reducen. El modelo se vuelve confiado pero equivocado. Pierde la “larga cola” del pensamiento humano extraño, creativo y propiamente caótico. Es el equivalente digital de la endogamia. El acervo genético del pensamiento humano proporciona la variación y la creatividad, mientras que los datos sintéticos son una fotocopia de una fotocopia.
Sin datos humanos nuevos de “alta entropía” (que se vuelven más escasos cada día que el contenido de IA inunda la web), los modelos llegan a una asíntota. Dejan de volverse más inteligentes y simplemente se vuelven más “fluidos” alucinando.
El “activo varado” del billón de dólares
Esta meseta técnica crea un enorme problema financiero. Convierte la construcción de infraestructura de un billón de dólares en la mayor mala asignación de capital desde la burbuja de las telecomunicaciones de 2001.
Las empresas de capital de riesgo han invertido más de 200 mil millones de dólares en laboratorios del “Modelo de Fundación” en los últimos 24 meses. Este capital se desplegó sobre la tesis de que el modelo en sí es el producto. La suposición era que si construías el “Cerebro Divino”, ganarías el mercado. La idea era: “Todo lo que necesitas es escala”.
Pero si el escalamiento se ha estancado, entonces el “Cerebro Divino” no llegará el próximo año. El mercado está estancado con “cerebros bastante buenos” que son productos indistinguibles.
El calendario de depreciación del infierno
Considere la economía de un clúster H100. Compras 100.000 GPU por 4.000 millones de dólares. Gastas otros mil millones de dólares en cables de hormigón, refrigeración y Infiniband. Tiene un programa de depreciación de 5 años.
Para recuperar ese dinero, ese clúster necesita producir un modelo que sea significativamente mejor que el que ofrece Open Source de forma gratuita. Pero los modelos de peso abierto (como Llama 4 y el último Mistral) están acortando la distancia hasta situarse dentro del 2% de los gigantes de código cerrado.
Si OpenAI, Anthropic, Google y Meta tienen modelos que son efectivamente iguales en rendimiento porque todos han chocado contra el mismo muro físico, entonces el margen colapsa. La barrera de entrada no es “mágica”, es simplemente capital. Y el capital es barato.
Esto convierte a los enormes clusters de GPU que se están construyendo actualmente en Texas y Dakota del Norte en potencialmente “activos varados”. Fueron diseñados para un régimen de entrenamiento (carreras masivas y monolíticas que duran meses) que ya no tiene sentido económico. Los constructores están vertiendo hormigón para 747 pistas en un mundo que se está desplazando hacia los drones.
La Rima Histórica: La Fibra en 2001
Esta película se ha proyectado antes. A finales de la década de 1990, empresas como Global Crossing y WorldCom tendieron millones de kilómetros de cable de fibra óptica a través del Atlántico. Creían que el tráfico de Internet se duplica cada 100 días (la “ley de escala” de esa época).
Tenían razón en cuanto a la dirección, pero se equivocaron en cuanto al momento de la monetización.
La fibra fue construida. La capacidad estaba ahí. Pero faltaban diez años para que aparecieran las aplicaciones asesinas (YouTube, Netflix, iPhone). ¿El resultado? El precio del ancho de banda cayó a cero. Las empresas de infraestructura quebraron. Los activos fueron comprados por centavos de dólar por la próxima generación (Google, Amazon).
La industria de la IA enfrenta la misma “brecha de decepción”. Las fichas existen. Los modelos existen. Pero el valor de un billón de dólares en aplicaciones generadoras de ingresos necesarias para pagar la factura de energía no lo hace.
Hablando de poder, las limitaciones físicas son tan duras como las algorítmicas. Como se detalla en The Shadow Utility: Meta’s 6.6GW Nuclear Maneuver, la cuadrícula simplemente no puede soportar la curva exponencial incluso si las matemáticas funcionaron. La industria está chocando contra el “muro termodinámico” exactamente en el mismo momento en que choca contra el “muro algorítmico”.
De Capex a Opex: el giro hacia el “Sistema 2”
El dinero inteligente ya se está moviendo. Observe el cambio en el primer trimestre de 2026 de Capacitación (Capex) a Inferencia (Opex).
El informe de “Adaline Labs” destaca un cambio crítico: “Escalado en tiempo de inferencia”. En lugar de hacer el modelo más grande (lo cual está fallando), los ingenieros están haciendo que el modelo piense más.
Este es el cambio del pensamiento del “Sistema 1” (rápido, intuitivo, reflejo) al “Sistema 2” (lento, deliberativo, razonado), un concepto tomado de Daniel Kahneman.
En 2024, si le planteabas un problema matemático a GPT-4, intentaba validar la respuesta de una sola vez. En 2026, las nuevas arquitecturas generarán 50 pasos posibles, los criticarán, retrocederán y verificarán la lógica antes de generar un token final.
Al utilizar técnicas como la verificación de la “cadena de pensamiento” y el debate entre múltiples agentes, los modelos más pequeños pueden superar a los gigantes. Un modelo de parámetros de 70B que piensa durante 10 segundos puede vencer a un modelo de parámetros de 1T que responde instantáneamente.
La consecuencia económica
Esto cambia por completo el modelo de negocio de la IA. Mueve el costo de la fase de capacitación (comprar la fábrica) a la fase de uso (quemar el carbón).
Esto es un desastre para la narrativa del “margen SaaS”. A los capitalistas de riesgo les encantan las empresas de software porque tienen costos marginales cero. Una vez escrito el código, el siguiente usuario queda libre.
Pero el “escalamiento en tiempo de inferencia” se parece más a un proceso industrial. Tienes que gastar $1 de electricidad para generar $1,50 de valor. Se trata de un margen bruto del 33%, no el margen de software del 90% al que Wall Street es adicto.
Si la IA es un bien industrial, como la electricidad o el acero, entonces las valoraciones de estas empresas son diez veces más altas.
La sacudida de 2026
La industria está entrando en la fase de “desilusión” del ciclo publicitario. Esto no significa que la IA haya terminado. Significa que la IA fácil se acabó.
Los ganadores de 2026 no serán las empresas que creen los clusters más grandes. Serán las empresas que descubran cómo extraer valor económico real de los modelos “estancados” que ya existen.
El “muro de escala” no es el fin de la IA. Es sólo el fin de los dolores de crecimiento de la IA. Ahora viene lo difícil: conseguir trabajo. El “Cerebro Divino” no viene a salvar la industria. Los desarrolladores tienen que crear las aplicaciones ellos mismos.
🦋 Discusión en Bluesky
Discutir en Bluesky